Mese: Luglio 2026

Piattaforma web per test RheumAI

Pubblicato il 20 Luglio 2026 da admin

Sviluppo metodologico e tecnico

RheumAI V2: piattaforma web per la validazione clinica cieca di raccomandazioni terapeutiche generate da AI

Progettazione, implementazione e collaudo di un sistema in due fasi per distinguere
la decisione autonoma del medico dall’effetto della successiva esposizione a una
raccomandazione algoritmica in reumatologia.

Corpus congelato: 50 casi
Valutazione clinica in due fasi
Autosalvataggio e tracciabilità
Analytics ed export CSV

Riassunto

L’impiego dell’intelligenza artificiale come supporto alla decisione terapeutica
richiede procedure di validazione capaci di limitare fenomeni di ancoraggio e
automation bias. Per questo motivo è stata sviluppata RheumAI V2,
una piattaforma web che registra dapprima il giudizio clinico indipendente del
medico e rende visibile la raccomandazione AI solo dopo la conclusione definitiva
della prima valutazione.

Il sistema gestisce autenticazione, assegnazione dei casi, bozze, autosalvataggio,
recupero della sessione, confronto medico–AI, analytics amministrativi, tracciabilità
tecnica ed esportazione dei risultati. Il collaudo preliminare ha confermato il
funzionamento dell’intero percorso applicativo.

Introduzione

I sistemi basati su intelligenza artificiale possono integrare informazioni cliniche,
farmacologiche e provenienti dalle linee guida, proponendo opzioni terapeutiche ordinate
secondo criteri algoritmici. La valutazione di questi sistemi non può tuttavia limitarsi
a chiedere al medico se una raccomandazione sia corretta.

Quando il suggerimento dell’AI viene mostrato prima che il clinico abbia espresso il
proprio giudizio, la risposta può essere influenzata da ancoraggio, conformità implicita
o eccessiva fiducia nell’automazione. Diventa quindi necessario separare temporalmente
il giudizio autonomo dalla fase di confronto.

Obiettivi

Decisione indipendente
Raccogliere la prima scelta terapeutica del medico prima di mostrare qualunque
suggerimento prodotto dall’AI.

Confronto strutturato
Misurare accordo, disaccordo, cambiamento della decisione e scelta finale dopo
l’esposizione alla raccomandazione.

Riproducibilità
Conservare versioni, hash, date, stati, metadati ed export necessari alla verifica
metodologica dello studio.

Architettura della piattaforma

RheumAI V2 è stata implementata come applicazione web accessibile tramite browser,
senza installazione di software sul dispositivo del revisore. L’infrastruttura
comprende:

interfaccia in PHP, HTML, CSS e JavaScript;
database relazionale MySQL;
autenticazione a sessione per i revisori;
login amministrativo separato;
API per casi, bozze, valutazioni, analytics ed export;
corpus clinico congelato;
registrazione degli eventi principali;
esportazione CSV per l’analisi statistica.

Separazione delle interfacce.
L’ingresso principale del revisore indirizza alla dashboard dello studio V2.
Il precedente pannello legacy e gli strumenti diagnostici visibili sono stati rimossi
dall’interfaccia operativa.

Corpus clinico

Il corpus sperimentale comprende 50 casi clinici reumatologici
predisposti e congelati prima dell’avvio della raccolta. Le principali categorie
comprendono artrite reumatoide, artrite psoriasica, spondiloartrite assiale,
artrite associata a malattie infiammatorie intestinali e differenti forme di
artrite idiopatica giovanile.

Ogni caso è associato a:

identificativo tecnico del caso;
identificativo pseudonimizzato del paziente;
categoria di malattia;
snapshot clinico strutturato;
raccomandazione terapeutica generata dall’AI;
modello e data di generazione;
hash dello snapshot clinico;
hash della raccomandazione.

Gli hash permettono di controllare che il materiale sottoposto ai revisori rimanga
invariato durante la raccolta.

Procedura di valutazione

Fase A: valutazione clinica indipendente

Il medico visualizza esclusivamente il profilo clinico ed esprime la propria
decisione terapeutica. Possono essere registrati prima scelta, alternativa,
ragionamento clinico, aspetti di sicurezza, esami aggiuntivi e livello di confidenza.

Durante la compilazione i dati vengono salvati come bozza e possono essere
recuperati dopo logout, chiusura del browser o accesso da un altro dispositivo.

Fase B: confronto con la raccomandazione AI

Solo dopo la finalizzazione della Fase A viene mostrata la raccomandazione AI,
comprendente prima scelta, ragionamento clinico, opzioni ordinate, cautele,
riferimenti alle linee guida, follow-up, screening mancanti e limitazioni.

Il medico indica quindi livello di accordo, eventuale cambiamento della decisione,
scelta finale, motivazione e commenti.

Il completamento della Fase B chiude l’assegnazione e determina il passaggio automatico
al caso successivo.

Protezione della cecità metodologica

La cecità non è affidata alla sola presentazione grafica. Prima della conclusione
definitiva della Fase A, il backend non restituisce al browser il contenuto della
raccomandazione AI.

Sono stati inoltre esclusi dalla vista clinica alcuni campi intermedi potenzialmente
rivelatori, tra cui:

rag_context;
pre_filtered_candidates;
pre_contraindicated.

Questa scelta riduce la possibilità che il revisore possa dedurre indirettamente il
trattamento proposto dal sistema.

Note tecniche e struttura dei dati

Le principali tabelle dedicate allo studio V2 sono:

re_v2_study_cases;
re_v2_study_assignments;
re_v2_study_drafts;
re_v2_study_reviews_a;
re_v2_study_reviews_b;
re_v2_study_events.

Tabella	Funzione	Elemento di integrità
`study_cases`	Corpus clinico e raccomandazioni congelate	Hash clinico e hash della raccomandazione
`assignments`	Collegamento tra revisore, caso e posizione	Stati espliciti e date operative
`drafts`	Autosalvataggio dei dati parziali	Una bozza per assegnazione
`reviews_a`	Giudizio medico autonomo	Un record definitivo per assegnazione
`reviews_b`	Confronto medico–AI	Riferimento obbligatorio alla review A
`events`	Tracciabilità del percorso applicativo	Registrazione degli eventi principali

Stati delle assegnazioni

assigned: caso assegnato ma non ancora aperto;
in_progress: caso aperto o parzialmente compilato;
completed: Fase A e Fase B concluse;
excluded: assegnazione esclusa.

Nomenclatura tecnica

Alcuni identificativi interni conservano il termine storico claude
per compatibilità e tracciabilità del corpus congelato. Nell’interfaccia destinata
ai revisori viene invece utilizzato il termine generico AI.

Autenticazione e sicurezza

Revisori

Sono stati implementati e collaudati login, logout, recupero password, invio email,
reset forzato da parte dell’amministratore e conservazione dell’avanzamento dopo
la modifica della password.

Amministratore

L’accesso amministrativo è gestito tramite una pagina dedicata e una sessione separata.
Le principali misure comprendono:

rigenerazione dell’identificativo di sessione dopo il login;
cookie HttpOnly e Secure;
impostazione SameSite=Strict;
scadenza dopo otto ore di inattività;
blocco temporaneo dopo ripetuti tentativi errati;
logout esplicito;
protezione dell’accesso diretto al pannello.

La piattaforma è un ambiente di ricerca e non deve essere considerata un dispositivo
medico certificato o uno strumento destinato all’applicazione diretta delle
raccomandazioni su pazienti reali.

Collaudo effettuato

Il collaudo funzionale ha incluso:

Corpus 50/50
Assegnazione casi
Bozze Fase A
Bozze Fase B
Cecità AI
Passaggio automatico
Recupero password
Login admin
Analytics
Export CSV

Un primo caso è stato completato integralmente. Un secondo caso è stato utilizzato
per verificare il recupero della Fase B, il logout, il nuovo accesso e il ripristino
dei dati inseriti.

Il pannello amministrativo mostra avanzamento individuale, Fasi A e B completate,
accordo medico–AI, cambiamento della decisione e distribuzione per patologia.
Sono inoltre disponibili due esportazioni: casi completati e tutte le assegnazioni.

I dati presenti durante il collaudo non costituiscono risultati scientifici.
Prima dello studio reale saranno eliminati mediante query MySQL transazionali
limitate al revisore di prova.

Possibili analisi scientifiche

Il disegno consente di stimare, tra gli altri:

concordanza tra prima scelta medica e prima scelta AI;
accordo completo, parziale o assente;
percentuale di decisioni modificate dopo l’esposizione all’AI;
direzione del cambiamento terapeutico;
differenze per patologia e classe farmacologica;
associazione tra esperienza del medico e accordo;
associazione tra confidenza iniziale e cambiamento;
frequenza di conferma delle cautele di sicurezza;
persistenza del disaccordo dopo il confronto.

Un elevato accordo non dimostra automaticamente la superiorità dell’AI. Analogamente,
la modifica di una decisione non prova che la nuova scelta sia corretta. Sarà quindi
necessario prevedere un riferimento clinico indipendente o una procedura di adjudication.

Limiti e sviluppi successivi

I principali limiti dell’attuale fase sono:

utilizzo di un solo revisore di prova;
numero limitato di casi completati durante il collaudo;
assenza di risultati clinici statisticamente interpretabili;
necessità di definire endpoint e piano di analisi;
necessità di formalizzare protocollo ed aspetti etico-regolatori;
possibile eterogeneità dei modelli AI originariamente utilizzati;
possibili effetti dell’ordine e dell’apprendimento progressivo.

Passaggi previsti prima dell’avvio reale

backup del database e conservazione degli export di collaudo;
pulizia transazionale dei dati del revisore di prova;
verifica finale dell’immutabilità del corpus;
definizione di endpoint primario e secondari;
calcolo della numerosità campionaria;
definizione della procedura di adjudication;
eventuale randomizzazione dell’ordine dei casi;
congelamento della versione del codice e del database;
predisposizione della documentazione etica e informativa;
avvio controllato della raccolta con revisori reali.

Conclusioni

RheumAI V2 costituisce una piattaforma web completa per la validazione cieca,
sequenziale e tracciabile di raccomandazioni terapeutiche generate da AI in
reumatologia.

Il sistema separa il giudizio autonomo del medico dalla successiva esposizione
alla raccomandazione algoritmica, conserva bozze e valutazioni definitive,
registra gli stati di avanzamento, fornisce analytics ed esporta dataset
strutturati per l’analisi.

Il collaudo preliminare ha confermato il corretto funzionamento del percorso
applicativo. L’avvio dello studio con revisori reali resta subordinato alla
pulizia dei dati di test, al congelamento finale della versione e alla definizione
formale del protocollo scientifico, statistico ed etico.

RheumAI sistema per il supporto decisionale e il training per la prescrizione dei farmaci biologici ai pazienti con artrite

Pubblicato il 12 Luglio 202612 Luglio 2026 da admin

L’Intelligenza Artificiale in Reumatologia: Validato RheumAI, il Sistema Ibrido che Elimina le Allucinazioni Cliniche

La terapia farmacologica delle artriti infiammatorie ha vissuto un’espansione senza precedenti: oggi i clinici dispongono di DMARD sintetici convenzionali (csDMARD), oltre una dozzina di agenti biologici con diversi meccanismi d’azione e quattro inibitori delle Janus chinasi (JAKi). Scegliere la molecola corretta significa incrociare fenotipo di malattia, comorbidità, screening infettivologici e segnali di sicurezza normativi (come i dati dello studio ORAL Surveillance sui rischi cardiovascolari dei JAKi).

In Italia, a questa complessità clinica si aggiunge il carico burocratico della Nota 87 AIFA, che impone precisi prerequisiti di rimborsabilità. Per rispondere a questa sfida nasce RheumAI, un Sistema di Supporto alle Decisioni Cliniche (CDSS) progettato con un’architettura ibrida. Un nuovo studio di validazione tecnica condotto su un corpus di 200 casi sintetici dimostra come sia possibile coniugare la potenza dei modelli linguistici con la sicurezza matematica dei dati.

L’Architettura di RheumAI: Perché i Modelli Puri Non Bastano

I Large Language Models (LLM) presentano capacità straordinarie nella sintesi del ragionamento, ma il loro impiego autonomo in medicina espone al rischio di “allucinazioni” cliniche o omissioni fatali. RheumAI risolve il problema alla radice separando i compiti all’interno di un’applicazione sviluppata in FastAPI e PostgreSQL:

Filtro deterministico di sicurezza: Un livello software rigido analizza le controindicazioni assolute/relative e calcola un punteggio di rischio cardiovascolare e tromboembolico prima di qualsiasi elaborazione dell’IA.
Strato RAG (Retrieval-Augmented Generation): L’algoritmo (basato su API Claude di Anthropic) non risponde “a memoria”, ma è costretto a consultare una base di conoscenza indicizzata contenente 16 linee guida ufficiali (EULAR, ACR, ASAS, GRAPPA, BSR) e i quadri regolatori nazionali.
Riconciliazione degli alert: I risultati del filtro di sicurezza iniziale vengono fusi programmaticamente nell’output finale. Anche se l’IA dovesse omettere un dettaglio, il sistema lo reinserisce in modo deterministico.

Metodologia di Validazione dello Studio

Il sistema è stato testato su un corpus di 200 profili di pazienti generati programmaticamente in Python (random seed=42) per coprire l’intero spettro epidemiologico delle artropatie infiammatorie, bilanciando età, sesso, durata di malattia, indici di attività e linee di trattamento (45.5% naive, 36.5% seconda linea, 18.0% terza linea o superiore). Le comorbidità erano presenti nel 49.5% dei casi.

L’output di RheumAI per ciascun caso è stato valutato in modo indipendente e in “doppio cieco” da due giudici d’eccezione, strutturalmente diversi tra loro: GPT-4o (OpenAI) e Gemini 2.5 Flash (Google). I quattro criteri di valutazione includevano la concordanza sul farmaco di prima scelta, la correttezza delle controindicazioni, la completezza degli alert di sicurezza e l’aderenza complessiva alle linee guida.

I Risultati Globali e l’Analisi Statistica

Su un totale di 400 valutazioni complessive, il sistema ha mostrato una precisione assoluta sul piano della sicurezza. La tabella seguente mostra la concordanza registrata per ciascun criterio, con i relativi intervalli di confidenza al 95% calcolati tramite il metodo esatto di Clopper-Pearson.

Tabella 1. Concordanza per Criterio rispetto all’Output di RheumAI (N=200)

Criterio di Valutazione	GPT-4o (95% CI)	Gemini 2.5 Flash (95% CI)	Consensus (Entrambi i Giudici)
Concordanza 1ª Scelta	95.0% (91.1–97.6%)	90.5% (85.6–94.2%)	89.0% (83.8–93.0%)
Correttezza Controindicazioni	100% (98.2–100%)	100% (98.1–100%)	100% (98.2–100%)
Completezza Alert Sicurezza	100% (98.2–100%)	100% (98.2–100%)	100% (98.2–100%)
Aderenza Linee Guida	95.0% (91.1–97.6%)	90.5% (85.6–94.2%)	87.5% (82.1–91.7%)

L’Accordo Inter-Rater e il “Paradosso della Prevalenza”

L’analisi statistica dell’accordo tra i due giudici artificiali (Tabella 2) ha evidenziato un dato metodologico cruciale. Per i criteri di sicurezza (Controindicazioni e Alert), l’accordo osservato (P₀) è stato pari a 1.000 (100% di concordanza perfetta). In questo contesto di simmetria estrema dei risultati, il K di Cohen crolla matematicamente a 0. Si tratta del noto paradosso della prevalenza di Feinstein e Cicchetti, riscontrabile quando l’esito positivo rasenta la totalità dei casi. Per ovviare a questo bias, l’indice primario di riferimento utilizzato è il PABAK (Prevalence-and-Bias-Adjusted Kappa), che ha confermato un accordo eccellente (media 0.905). Il test esatto di McNemar (p ≥ 0.05) ha escluso asimmetrie sistematiche, indicando che nessun giudice è stato più severo dell’altro.

Tabella 2. Indici di Accordo Inter-Rater (GPT-4o vs Gemini 2.5 Flash)

Criterio	P₀ (Osservato)	Cohen’s κ	PABAK	McNemar p
Terapia 1ª Scelta	0.920	0.389	0.840	0.077
Controindicazioni	1.000	0.000*	1.000	1.000
Alert Sicurezza	1.000	0.000*	1.000	1.000
Linee Guida	0.890	0.160	0.780	0.134

*Nota: κ = 0 dovuto al paradosso della prevalenza matematica in regime di accordo perfetto (P₀ = Pᴇ = 1.000).

Analisi di Dettaglio per Singola Patologia

L’efficacia della prima scelta non è stata uniforme tra le patologie (Tabella 3). Il sistema ha rasentato la perfezione assoluta (100% di concordanza) nell’Artrite Enteropatica, nella Still’s disease (JIA sistemica) e nelle forme poliarticolari pediatriche. Nelle forme oligoarticolari e nell’artrite correlata a entesite (ERA) si sono registrate le flessioni più evidenti, legate a incongruenze intrinseche nelle risposte di sequenziamento terapeutico previste dalle differenti linee guida internazionali e a limitazioni anagrafiche specifiche.

Tabella 3. Concordanza della Prima Scelta e Sicurezza per Categoria Clinica

Categoria di Patologia	Casi (N)	Concordanza Terapeutica	Sicurezza Controindicazioni
Artrite Reumatoide	45	98.9%	100%
Artrite Psoriasica	41	90.2%	100%
Spondiloartrite Assiale	25	92.2%	100%
Artrite Enteropatica	12	100.0%	100%
JIA Sistemica	18	100.0%	100%
JIA Poliarticolare (RF-)	15	100.0%	100%
JIA Poliarticolare (RF+)	15	83.3%	100%
JIA Oligoarticolare	15	83.3%	100%
JIA correlata a Entesite (Post-Correzione)	15	80.0%	100%

Proprio il caso clinico della JIA correlata a entesite (ERA) evidenzia la valenza di questo approccio. Nella fase pre-correzione, la concordanza registrata si fermava al 63.3%. L’analisi approfondita delle discordanze ha rivelato una lacuna specifica nel database di conoscenza: il sistema proponeva etanercept in pazienti in età pediatrica inferiore ai 12 anni, ignorando il vincolo regolatorio internazionale. L’integrazione manuale di regole stratificate per età (introducendo adalimumab e secukinumab come prima linea per la fascia 6-11 anni) ha innalzato l’indice all’80.0%, isolando il restante 20% di divergenza a reali vuoti clinici della letteratura per i bambini al sotto dei 6 anni.

Conclusioni e Sviluppi Futuri

RheumAI rappresenta un benchmark tecnologico di rilievo nel panorama dei CDSS per la reumatologia, assicurando la totale aderenza ai vincoli di sicurezza fondamentali. Lo studio ricorda tuttavia come questa rimanga una validazione tecnica AI-to-AI. La transizione alla fase clinica prevede una Fase 2 di validazione clinica in cui quattro medici reumatologi analizzeranno i casi in forma double-blind sequenziale per misurare la concordanza tra l’uomo e l’algoritmo, presupposto indispensabile prima di consentirne qualunque impiego operativo sul campo.

Bibliografia Scientifica di Riferimento

Di seguito si riportano le fonti bibliografiche strutturate indicate nello studio regolatorio di RheumAI:

Ytterberg SR, Bhatt DL, Mikuls TR, et al. Cardiovascular and cancer risk with tofacitinib in rheumatoid arthritis. N Engl J Med 2022;386:316–26.
Fraenkel L, Bathon JM, England BR, et al. 2021 American College of Rheumatology guideline for the treatment of rheumatoid arthritis. Arthritis Care Res 2021;73:924–39.
Smolen JS, Edwards CJ, Konzett V, et al. EULAR recommendations for the management of rheumatoid arthritis: 2025 update. Ann Rheum Dis 2026;85:991–1009.
Singh JA, Guyatt G, Ogdie A, et al. 2018 ACR/NPF guideline for the treatment of psoriatic arthritis. Arthritis Rheumatol 2019;71:5–32.
Gossec L, Kerschbaumer A, Ferreira RJO, et al. EULAR recommendations for the management of psoriatic arthritis: 2023 update. Ann Rheum Dis 2024;83:706–19.
Ward MM, Deodhar A, Gensler LS, et al. 2019 update of the ACR/SAA/SPARTAN recommendations for ankylosing spondylitis and nonradiographic axial spondyloarthritis. Arthritis Rheumatol 2019;71:1599–613.
Ramiro S, Nikiphorou E, Sepriano A, et al. ASAS-EULAR recommendations for the management of axial spondyloarthritis: 2022 update. Ann Rheum Dis 2023;82:19–34.
Onel KB, Horton DB, Lovell DJ, et al. 2021 ACR guideline for the treatment of juvenile idiopathic arthritis. Arthritis Rheumatol 2022;74:553–69.
Fautrel B, Mitrovic S, De Matteis A, et al. EULAR/PReS recommendations for the diagnosis and management of Still’s disease. Ann Rheum Dis 2024;83:1614–27.
Nash P, Kerschbaumer A, Konzett V, et al. Expert consensus on treatment of immune-mediated inflammatory diseases with JAK inhibitors: 2024 update. Ann Rheum Dis 2025;84:664–79.
Rügg L, Pluma A, Hamroun S, et al. EULAR recommendations for use of antirheumatic drugs in reproduction, pregnancy, and lactation: 2024 update. Ann Rheum Dis 2025;84:910–26.
Furer V, Rondaan C, Heijstek MW, et al. 2019 update of EULAR recommendations for vaccination in adult patients with autoimmune inflammatory rheumatic diseases. Ann Rheum Dis 2020;79:39–52.
Sebbag E, Lauper K, Molina-Collada J, et al. 2024 EULAR points to consider on targeted therapies in inflammatory arthritis with cancer history. Ann Rheum Dis 2025.
Società Italiana di Reumatologia. Raccomandazioni per la terapia con farmaci biologici nell’artrite reumatoide e psoriasica — aggiornamento 2024. Rimini: SIR; 2024.
Cohen J. A coefficient of agreement for nominal scales. Educ Psychol Meas 1960;20:37–46.
Byrt T, Bishop J, Carlin JB. Bias, prevalence and kappa. J Clin Epidemiol 1993;46:423–9.
Feinstein AR, Cicchetti DV. High agreement but low kappa: I. The problems of two paradoxes. J Clin Epidemiol 1990;43:543–9.
Cicchetti DV, Feinstein AR. High agreement but low kappa: II. Resolving the paradoxes. J Clin Epidemiol 1990;43:551–8.
Ong JCL, Jin L, Elangovan K, et al. Large language model as CDSS augments medication safety in 16 clinical specialties. Cell Rep Med 2025;6:102323.
Benavent D, Madrid-García A. Large language models and rheumatology: are we there yet? Rheumatol Adv Pract 2024;8:rkae119.
Krusche M, Callhoff J, Knitza J, Ruffer N. Diagnostic accuracy of a large language model in rheumatology. Rheumatol Int 2024;44:303–6.
Felde S, Buchkremer R, Chehab G, et al. Performance and practical considerations of large and small language models in clinical decision support in rheumatology. arXiv:2507.07983. 2025.